AI 操作手机：
为什么必须是“规划—执行—验证”闭环

把大模型接到手机上，最常见的做法是“截图 → 问模型点哪 → 点一下”。演示很惊艳，上规模就崩：不知道做到第几步、失败了不知道、多台设备互相抢任务。

真正能用的方案要同时满足三件事：理解意图、真正操作手机、证明做对了。

四层结构

诺程投屏的 AI 架构分成四层：

• 入口层：自然语言、语音或多选设备指令；
• 规划层（总控）：低频决策，把需求拆成设备级任务，决定先后与优先级，不直接操作手机；
• 调度层：持久队列，负责优先级、并发与模型配额；
• 执行层（设备智能体）：每台设备独立观察画面、决定动作、执行并留存证据。

再加一个执行器：未知界面交给模型，固定界面走快速技能与本地视觉检测。这样既不会所有事都问模型，也不会在固定界面上浪费模型配额。

为什么要“验证”

动作执行完不等于目标达成。点错按钮、页面没加载、弹窗挡住，都会让“看起来做了”变成“其实没做”。

所以每台设备执行后要做结果断言：

• 已验证：目标达成且最终页面通过核对；
• 未验证：动作完成，但最终页面没通过核对；
• 失败：结果不符合预期，可查看日志与截图；
• 不确定：断连、锁屏等环境异常，无法判断。

只有“已验证”的行为可以保存为可复用脚本或任务模板。这条规则避免了把错误流程固化成“标准”。

调度与可靠性

• 任务与状态写入本地数据库，关闭窗口或重启程序不丢失；
• 每台设备同一时刻只有一个执行主体，避免任务互相争抢；
• 长任务在节点边界保存检查点，中断后可续接；
• 全局模型调用配额默认 5 路，防止多设备同时请求被限流。

配额这一条经常被忽略：30 台设备同时向模型发请求，接口会限流，结果是集体超时。限流不如排队。

模型可以换，流程不能乱

预置支持 DeepSeek、通义千问·阿里云百炼、智谱 GLM、月之暗面 Kimi、硅基流动、火山方舟（豆包）、OpenAI、本机服务（Ollama / LM Studio）与手动填写，最多保存 32 套配置。

换模型只影响“理解与决策质量”，不应该影响任务状态机与验证逻辑——这是架构分层带来的好处。

什么时候别用 AI

• 界面固定、步骤明确 → 录制回放更快更稳；
• 需要毫秒级响应 → AI 不适合；
• 涉及支付、删除等不可逆操作 → 人工确认。

AI 适合的是“界面不固定、但目标明确”的任务，比如在不同版本 App 里找到同一个入口。

上手建议

1. 先用一台设备跑一个简单任务，观察每一步的截图与判断；
2. 确认“验证”规则是否可靠，再扩到一组；
3. 把已验证的流程保存成模板，减少重复调用模型；
4. 保留人工确认环节，尤其是首次执行。

能力边界见功能全景的 AI 智能体章节：成功率受界面复杂度影响，最终页面需要人工确认。